chapitre 4: systèmes multi- agentsdbenmerzoug.e-monsite.com/medias/files/inta-chapitre4.pdf ·...

Chapitre 4: Systèmes Multi-agents

Dr. Benmerzoug D.

Département TLSI

Faculté des NTIC

Université Constantine 2

INTA - Master 2 - Recherche 124

Systèmes Multi-agents

Plan:

Intelligence Artificielle (IA)

Intelligence Artificielle Distribuée (IAD)

Technologie Agent

Systèmes Multi-agents (SMA)

SMA et intégration d’applications


L’intelligence artificielle (IA)

L’IA Désigne la simulation des mécanismes de la pensée par un ordinateur

Reproduire un raisonnement par des moyens informatiques

Un ensemble de réalisations et de recherches qui essaient de simuler artificiellement les performances humaines

L'émergence des systèmes ''adaptatifs''



Les systèmes experts

Un système expert est un logiciel capable de répondre à des questions, en effectuant un raisonnement à partir de faits et de règles connus. Il peut servir notamment comme outil d’aide à la décision.



Un système expert se compose de 3 parties :

Une base de faits ;

Une base de règles ;

Un moteur d’inférence.



Faits et règles

Faits

Ensemble de vérités connues

Règles

Partie condition : prémisses

Partie action : conclusion, calcul, affichage ...

Éventuellement : coefficient de confiance

SI condition ALORS action [coefficient]



Généralement, ils utilisent la règle d'inférence suivante :

Si P est vrai (fait) et si on sait que P implique Q (règle) alors, Q est vrai (nouveau fait ou conclusion).



Le moteur d’inférence

Le moteur d’inférence est capable d’utiliser faits et règles pour produire de nouveaux faits, jusqu’à parvenir à la réponse à la question posée.

La plupart des systèmes experts existants reposent sur des mécanismes de logique formelle et utilisent le raisonnement déductif.



Pourquoi un Système Expert ?

Problèmes mal formalisés ou dont la formulation évolue

Médecine : nouveaux examens, nouvelles connaissances, nouvelles thérapies

Pas d’algorithme connu (ou algorithme trop complexe)

Reconnaissance de l’écriture

Jeu d’échecs

Affectation des ressources, ordonnancementINTA - Master 2 - Recherche 132


Mode de raisonnements

Il existe de nombreux types de moteurs, capables de traiter différentes formes de règles logiques pour déduire de nouveaux faits à partir de la base de connaissance.

On distingue souvent trois catégories:

Les moteurs - dit à « chaînage avant » -qui partent des faits et règles de la base de connaissance, et tentent de s’approcher des faits recherchés par le problème.



Les moteurs - dits à « chaînage arrière » -qui partent des faits recherchés par le problème, et tentent par l’intermédiaire des règles, de « remonter » à des faits connus,

Les moteurs - dits à « chaînage mixte » -qui utilisent une combinaison de ces deux approches chaînage avant et chaînage arrière.



L’apprentissage automatique L'apprentissage automatique fait référence au

développement, à l’analyse et à l’implémentation de méthodes qui permettent à une machine d’évoluer grâce à un processus d’apprentissage, et ainsi de remplir des tâches qu’il est difficile ou impossible de remplir par des moyens algorithmiques plus classiques.

Objectif : extraire et exploiter automatiquement

l'information présente dans un jeu de données.



Types d’apprentissage

Les algorithmes d’apprentissage peuvent se catégoriser selon le type d’apprentissage qu’ils emploient :

L'apprentissage supervisé

L'apprentissage non-supervisé

L'apprentissage par renforcement



L’apprentissage supervisé

Un expert est employé pour étiqueter correctement des exemples.

L’apprenant doit alors trouver ou approximer la fonction qui permet d’affecter la bonne étiquette à ces exemples.

L’apprentissage non supervisé

Aucun expert n’est disponible.

L'algorithme doit découvrir par lui-même la structure des données. 138


Apprentissage par renforcement (AR)

L’algorithme apprend un comportement étant donné une observation.

L'action de l'algorithme sur l'environnement produit une valeur de retour qui guide l'algorithme d'apprentissage.



Pourquoi l’AR ?

Il est très utile dans le cadre de problèmes où :

des stratégies comportementales efficaces sont inconnues a priori ou sont difficilement automatisables

lorsqu’il y a de l’incertain dans la manière dont l’environnement évolue

L’AR se distingue des autres approches d’apprentissage par plusieurs aspects :

L’apprentissage se fait sans supervision

Il repose sur le principe d’essai/erreur140


Apprentissage par renforcement (AR)

Quelques algorithmes

La méthode des k plus proches voisins

Les réseaux de neurones

Les arbres de décision

Les algorithmes génétiques



Méthode des k plus proches voisins

Principe: On dispose d'une base de données d'apprentissage constituée de m couples «entrée-sortie ».

Pour estimer la sortie associée à une nouvelle entrée x, la méthode consiste à prendre en compte les k échantillons d'apprentissage dont l'entrée est la plus proche de la nouvelle entrée x, selon une distance à définir



144


Exemple



Distance

Euclidienne:

Euclidienne pondérée:



Plan:



Technologie Agent




L’intelligence artificielle Distribuée (IAD)

L’intelligence artificielle distribuée (IAD)

La branche de l’IA qui s’intéresse à la modélisation du comportement «intelligent» par la coopération entre un ensemble d’agents

L’intelligence artificielle classique, modélise le comportement intelligent d’un seul agent.

Passage du comportement individuel aux comportements collectifs pour combler les limites de l’IA classique à résoudre des problèmes complexes.



I.A.D. – Pourquoi distribuer ?

La plupart des applications ou problèmes réels font intervenir des systèmes physiquement et fonctionnellement distribués.

Distribution fonctionnelle dans les activités humaines (décomposition du problème en fonction des spécialités)



I.A.D. – Pourquoi distribuer ?

Évolution de l’informatique vers le PervasiveComputing (informatique ubiquitaire ou diffusé)


La technologie Agent

Définition d’un agent

Un agent est une entité physique ou virtuellequi agit dans un environnement, communiquedirectement avec d’autres agents, possède des ressources propres, est capable de percevoir partiellement son environnement et possède des compétences.

En fonction des ressources, des compétences et des communications, un agent tend à satisfaire ses objectifs.



Un agent effectue continuellement trois fonctions :

Perception de l’environnement ;

Interprétation de ces perceptions ;

Détermination des actions possibles.



Propriétés de l’agent

Réactivité : Percevoir l’environnement et répondre, en temps réel

Proactivité : Capacité de prendre l’initiative / comportement orienté but

Sociabilité : Capacité d’interagir avec d’autres agents ou utilisateurs

Autonomie: un agent est indépendant de l’utilisateur et des autres agents.



Types d’agents

Agent réactif: les décisions prises par les agents sont basées sur une correspondance entre les situations et les actions (Architecture simple).

Agent cognitif: les décisions prises par les agents sont basées sur des déductions logiques (Architecture complexe)

Agent hybride



Agent cognitif vs réactif



Plan:



Technologie Agent





Définition d’un SMA

Un système multi-agents est un ensemble organisé d’agents.

Il est constitué d’une ou plusieurs organisations qui structurent les règles de cohabitation et de travail collectif entre agents.

Dans un même système, un agent peut appartenir à plusieurs organisations.



Propriétés des SMA:

Chaque agent a des informations et des capacités limitées pour résoudre un problème

Pas de système central de contrôle

Données décentralisées

Calcul asynchrone



Interaction

Mise en relation dynamique de 2 ou plusieurs agents par le biais d’un ensemble d’actions réciproques

Echange des séries de messages en respectant des protocoles biens précis: protocoles de coordination, de coopération et de négociation.



Communication entre agents

Un agent doit être capable de communiquer avec les autres agents.

Les agents doivent avoir des capacités à manipuler un langage commun.

2 types de communication :

Communication indirecte : Partage d’informations via l’environnement,

Communication directe : envoi de messages,



Pour échanger les informations et les connaissances, les agents utilisent des ACL (Agent Communication Language).

Tout langage multi agent est représenté par une structure de donnée comprenant les champs : Emetteur

Récepteur

Langage utilisé : langage dans lequel le contenu de message est rédigé

Contenu du message

L’ontologie : le vocabulaire dans un domaine donné pour que les agents puissent se comprendre



De nombreux langages de communications entre agents (ACL) se sont développés.

KQML (93, 97)

FIPA-ACL (97, 99, 2000)



KQML (Knowledge Query and Manipulation Language)

KQML a été conçu comme étant à la fois un format de message et un protocole de transfert de messages venant aider les agents intelligent au partage et échange de données de haut niveau tout en étant indépendant des machines.



KQML : la syntaxe



KQML : les performatives

36 performatives répartis en 3 catégories : Les 18 performatives de discours : servent à

échanger des connaissances et des informations (ask-if, ask-one, tell, describe, stream-all … )

Les 11 performatives d’interconnexion : aide à la mise en relation des agents entre eux (register, unregister, broadcast …)

Les 7 performatives d’exception : servent à changer le déroulement normal des échanges (error, sorry, standby …)


Exemples KQML:Soient E : l'agent émetteur, R : l'agent récepteur et C : le contenu du

message

ask-one : E veut que seulement R réponde à sa question C

ask-if : E veut savoir si la réponse à la question précisée en C se trouve dans la base de connaissances (BC) de R

tell : E affirme au R que C est dans la BC de E

broadcast : E veut que R transmette à son tour la performative à toutes ses connexions

error : E considère le message précédent de R comme mal formé

sorry : R ne peut pas fournir plus d’information167


Exemples KQML: l’ agent A veut connaître

toutes les personnes définies comme étant des hommes.

168

l’ agent B répond que

Socrate est un homme.

Systèmes Multi-agents (SMA) L’agent A veut informer l’agent B que le prix

de bouquin "Web Service" est fixé à 1000 DA.

169

L’agent A demande à l’agent B de

transférer le message précédent à

l’agent C.

(tell

:sender A

:receiver B

:language java

:ontology e-commerce

:content prix("Web Service", 1000)

)

(forward

:from A

:to C

:sender A

:receiver B

:language KQML

:ontology kqml-ontology

:content (tell

:sender A

:receiver B

:language java

:ontology e-commerce

:content prix("Web Service", 1000)

)

)


Plates-formes SMA & KQML

AgentBuilder

http://www.agentbuilder.com

JAT : Java Agent Template http://www-cdr.stanford.edu/ABE/JavaAgent.html

Java Intelligent Agent Library http://www.bitpix.com/business/main/bitpix.htm


http://www.agentbuilder.com/


La norme FIPA

La FIPA (Foundation for Intelligent PhysicalAgents) est une organisation en 1996 dont l'objectif est de produire des standards pour l'interopérabilité d’agents logiciels hétérogènes.

FIPA ACL : Syntaxe similaire à celle de KQML.



La norme FIPA



Plates-formes SMA & FIPA

JADE : http://jade.tilab.com/

Langage utilisé : Java.

FIPA ACL pour la communication.


http://jade.tilab.com/


Plan:



Technologie Agent




175

SMA et Intégration d’applications

Les défis de l’EAI:

Communication des agréments sémantiques

Environnements ouverts, Interactions complexes

Flexibilité

…………

176

Standards des services Web WSDL, SOAP, BPEL

Limitations Inexistence de sémantique des messages échangés (message

sequencing and correlation)

Composition manuelle des services

Inefficacité en cas d'interactions complexes

Systèmes multi-agents (SMA)

Entités autonomes, interagissent dans un

environnement pour la résolution collective de problèmes



Problématique Comment modéliser le scénario d’intégration à l’aide

de mécanismes de coordination multi-agent ?

Comment intégrer les processus métiers au moment d’exécution ?

Apports de la technologie Agent Une approche orientée agent pour la modélisation du

scénario d’intégration

Une architecture basée agent pour l’intégration d’applications

177


Legacy System

Data Base

ERP, CRM

Web

Application

Java

Application

.NET

Application

HTTP

RMI

.NET REMOTING

CORBA

ODBC

JCA

MAS


Apport des SMA dans le domaine de l’intégration d’applications:

La répartition géographique et/ou logique d’entités, de données ou d’informations hétérogènes

La complexité du problème global à résoudre, celui-ci n’étant manipulable que par des stratégies heuristiques utilisant des données ou des connaissances locales



La flexibilité des interactions : il n’y a pas d’affectation a priori des tâches et les mécanismes de résolution de problèmes ne sont pas préalablement assignés

L’environnement dynamique nécessitant, pour la résolution de problèmes, des entités réactives et adaptative

L’ouverture : il n’est pas possible de donner une spécification complète du problème à résoudre ni de définir une fonction d’utilité globale.


Références bibliographiques

Djamel Benmerzoug: Modèles et outils formels pour l’intégration d’applications d’entreprises. Thèse de doctorat (Université Paris 6, Université Mentouri de Constantine), 2009

David S. Linthicum: Enterprise Application Integration, Ed: Addison Wesley, 2001

R. Sharma, B. Stearns, T. Ng: J2EE Connector Architecture and Enterprise Application Integration, Publisher: Addison Wesley,2001.

Saïd Izza: Intégration des systèmes d’information industriels : une approche flexible basée sur les services sémantiques. Thèse de doctorat de l’école supérieure nationale des Mines de Saint-Étienne, novembre 2006.

Jihed Touzi: Aide à la conception de système d’information collaboratif support de l’interopérabilité des entreprises. thèse de doctorat de l’école des Mines d’Albi Carmaux, Novembre 2007.

David S. Linthicum: Next Generation Application Integration, Ed: Addison Wesley, 2004.

EBM Websourcing : Nouvelles technologies pour l’intégration : les ESB. 2006.

P. Sarang, R. Loganathan, F. Jennings, M. Juric: SOA Approach to Integration: XML, Web services, ESB, and BPEL in real-world SOA projects. 2007.

Jeremy Fierstone: Les services Web, 2002


http://dblp.uni-trier.de/db/conf/vveis/msvveis2007.html






INTA - Master 2 - Recherche

Références bibliographiques

Djamel Benmerzoug: A Specification and Validation Approach for Business Process Integration based on Web Services and Agents. 2007

Djamel Benmerzoug: A Petri-Net Based Formalisation of Interaction Protocols Applied to Business Process Integration. 2008

Djamel Benmerzoug: Formalisation and verification of interaction protocols for business process integration: a Petri net approach. 2008

Djamel Benmerzoug: Agent Approach in Support of Enterprise Application Integration. 2013

Djamel Benmerzoug: Modèles et outils formels pour l’intégration d’applications d’entreprises. Thèse de doctorat (Université Paris 6, Université Mentouri de Constantine), 2009

182















chapitre 4: systèmes multi- agentsdbenmerzoug.e-monsite.com/medias/files/inta-chapitre4.pdf ·...

Documents